联邦学习是一种机器学习方法，允许在多个设备或服务器上训练模型，而无需集中聚合数据。与其在单一位置收集所有数据，不如在持有数据的设备上进行本地模型训练。每个设备处理数据，仅将模型更新——如权重和梯度——发送回中央服务器。然后，服务器对这些更新进行平均，以改善全局模型。这个过程会不断迭代，使模型能够从多样化的数据源中学习，同时保护用户隐私，因为原始数据从未离开设备。
联邦学习的一个实例是智能手机键盘应用程序，它改善了预测文本功能。每个用户的打字数据保留在他们的设备上。键盘应用程序基于本地输入构建模型，并定期将模型更新发送到服务器。服务器结合这些更新，以提高所有用户的键盘整体性能。在这种情况下，用户的个体数据从未存储在云端，从而防止潜在的隐私侵犯，同时利用用户之间多样的打字模式，使模型更准确。
这种方法还解决了通信成本和数据异构性等挑战。通过在本地设备上训练，联邦学习减少了需要传输到中央服务器的数据量，这在连接性有限的环境中尤其有利。它还适应了不同设备上出现的不同数据分布。通过利用本地数据，同时保持隐私和效率，联邦学习有助于创建更强大的机器学习模型，这些模型非常适合数据隐私优先的应用场景。